【新零售】无服务器架构的新思路，超盟以数据推动新零售升级

    无服务器架构的新思路，超盟以数据推动新零售升级

试想，如果每个人都开一家零售店，每家店有两个爆款sku，可能所有店员在补货时靠经验就可以了。但是当sku变成200个甚至上千个时，恐怕店员大概率就会手忙脚乱了，而且还要考虑物流、天气、用户习惯等各种各样的外部因素，很容易就会因为高库存造成经济损失。“这时候，我们的自动补货就会给门店一个建议，通过对未来15天的每一个sku进行预测，让门店的补货节奏变得非常有规律。”超盟数据cto李健豪介绍称，这一理念的背后是以数据变革商业的思考，以及无服务器架构（serverless）的技术贡献。

毕业于uiuc的李健豪一直在从事数据挖掘、数据处理、数据清洗等领域工作，希望通过对数据的研究让企业运营更精细化、更有效率。尤其是对于零售企业来说，从货架上的一袋薯条，到整个生鲜品类，再到后端的供应链管理，数据决策都会穿插其中。如果其中某一个链条出现差错，整个订货流程就会变得效率低下。当店铺内的非标品大量出现时，这种状况会更为显著。而自动补货所做的，就是在断货之前给出预警，越是高频发生的场景，这种方式就越有效，例如零售门店、生鲜等等。

对于传统的零售企业来说，要专门建立数据科学团队去研究算法，再加上相关的专业人才薪资，每年的支出会达到数百万元，然而考虑到零售业务的毛利率并不高，零售企业自己做显然是不划算的。

“考虑到零售商品的颗粒度比较小，如果每个门店有2000多个sku，背后要围绕每个商品构建相应的很多算法模型，要是用传统方式计算的成本会非常高。”李健豪说，“当我们把无服务器架构引入之后，整体成本会下降的非常低，而且运算速度非常快，其并发量可以一次解决数千个sku，在10秒内就能预测出未来15天的销售状况。”

简而言之，自动补货就是希望为连锁零售企业提供最佳的补货管理建议，帮助企业平衡供应链中的库存、加快周转速率、提高补货系统人员的效率，可以在数亿级带标注的交易数据集上构建商品需求量模型，从而辅助客户决策，并且随时根据用户反馈来优化模型，提升预测的精准度。

落地到应用层面，就是对零售店每天的到货、销售、品类、数量等行为进行预测，背后则是对天气、温度、湿度、公众假期、促销、poi等外部数据的分析，透过150多个维度，建立多个标签，建立门店相似度模型，通过神经网络、深度学习、机器学习和算法优化，使结果符合线下运营场景。同时，精准选出具有可比性和代表性的门店作为预测的依据，甚至让跨区域跨门店的品类和商品产生可比性。

超盟数据从颗粒度最少、也是最难做的门店数据入手，还推出了大数据选品和智能汰换产品，为采购者提供指导建议。“现在市面上的多数预测都是比较大面积的，比如星巴克对仓库的分析。很少有人去做门店层面的预测，因为颗粒度太少，计算量太大，投入产出比又低，所以很多企业不去做这个事情。”李健豪自信地说，“那为什么我们会做？因为我们找到了一种巧妙的方法，可以把成本压下来。”

首先，门店级的预测刚好需要这种场景，要对每个sku进行分析。以往深度学习的计算量通常会很长，不可能在几十秒内就搞定一个模型，像图像识别的训练有时候要几个小时。而超盟数据瞄准的数据量较少的单个sku，正好放在容器中可以利用无服务器架构的方式去对内存使用时间秒级计费。在很大程度上，其实这也得益于aws lambda，用户只需上传代码，lambda就可以自动运行您的代码，无需配置或管理服务器，代码将并行运行并逐个处理触发程序，按照工作负载的大小精密扩展。

根据李健豪的介绍，以往要想在五分钟内对1万个门店的1万个商品进行预测，动用集群计算的成本会非常高，而lambda每使用5gb内存的启动价格大约是1美分/次，“其背后把成本的压力给到了亚马逊，我们则可以把算法集成到容器里，并且做了大量的优化，让整个预测过程在200-300秒内就能完成。”

“这个架构背后是ai驱动，无服务器架构是把一个函数抽象成一个小容器，可以让使用者随意调用，只需要按照使用内存来收费。”李健豪说。如果再比喻一下，就像是将一大段代码变成了一个个小函数，每个函数都可以单独调用，这样集合起来也可以做大规模计算，收费时按照每个函数的使用量去计即可，其核心在于如何把一个大的工作负载拆成一个个小部分，再通过无服务并行计算收集到完整的结果。

在李健豪看来，虽然多家云服务商都有这种架构的产品，但体验方面多少还存在着差距，像aws已经可以对每个服务以毫秒到秒的级别去计算费用，而阿里云和其他服务商只能做到按月收费，“我用要它一个服务，就得先付一个月的钱，但如果aws的（服务），用5秒就付5秒的钱就好了。”

除了底层采用lambda作为计算服务的方式，超盟数据还引入了100多个宏观特征和50多个人群特征等维度的数据，用于提升算法模型的准确性，比如门店营业时间、天气变化、地理位置等等，其中会结合内部各行业专家的建议，并将这些知识集成到算法模型里面。

河北美食林是当地较为典型的区域性企业，门店数量大约在1000家左右，由于商品缺货而带来的损失越来越高，竞争对手的定价和现货商品能随时被消费者查询到，而且竞争对手还能通过多种方式提供服务和产品，消费者会更加难以容忍货架缺货，想要实现企业业务增长，就必须战略性地平衡供应链中每个点上的库存限制和成本。

为此，他们利用超盟数据自动补货产品识别和改善企业库存过度的状况，通过对企业所在本地市场的复杂性、企业仓储限制、预算和现有周转时间等多维度的调研，建立需求预测模型给出最佳的补货方案，包括各门店想要的商品数量、配送时间等具体信息，帮助企业解决补货相关的系列问题，降低了库存压力。

“我们会在成功落地一些典型应用之后，再在其他的垂直行业进行大规模推广。”李健豪说，“并不是所有客户都放心把核心数据放在公有云上，所以我们会有专门的数据团队帮助他们做迁移，将数据转换成我们想要的格式放在数据库里面，而且是每天都在做这些工作。”目前，超盟的数据团队约有15个人，均是专注在零售领域，并且在全国五大区域都有落地团队服务于当地的区域连锁。

事实上，无服务器架构这个概念早在2014年就有了，只不过在国内很少有非常典型的应用案例，原因之一就是大家都没有找到合适的场景，并且在具体使用时可能还需要专门的算法来优化。再进一步说，其实自动补货也有不少电商和零售商在做，这种技术的难点不止是算法，更要在大幅压低成本的同时，与实际业务结合起来，要知道每家门店的订货行为可能都不一样，单一维度的模型和预测是难以说服客户接受的。

对此，李健豪深有体会：“你可以看到日本的便利店在北京上海都可以卖生鲜，那为什么本土便利店卖生鲜的比例很少？原因是他们没有想过背后的原因，对数据进行深度挖掘和分析的成分很少，第一是或许就没有使用数据智能，第二是运营体系，没有借助数据来改变运营和生产模式。 ”

当然，考虑到aws在中国市场的可用区仍然存在一定的局限性，笔者还是希望像阿里云、腾讯云这样的厂商可以更加聚焦细分领域，更多地将技术与实际业务相结合，加强行业知识的理解，这样才能够从根本上推动传统企业的智慧转型。就像李健豪所说的，客户不会太关心新零售、新技术这些概念名词，“我们并不是简单地在推某一项技术，而是整体的解决方案，只要可以帮客户解决问题、带来回报，客户就会接受。”

瓷砖相关 零售商 批发零售 在线零售 ,本资讯的关键词:超盟数据自动补货零售升级sku新零售新思路服务器推动